-
公开(公告)号：CN108828587B
公开(公告)日：2022-04-26
申请号：CN201810293413.1
申请日：2018-03-30
Applicant: 北京大学
IPC: G01S13/88
Abstract: 本发明公开了一种基于WiFi信号的穿墙成像方法。本发明所提出的穿墙成像方法硬件设备成本极低，通用无线路由器所产生的WiFi信号均可作为成像系统的发射信号，且目前无线路由器已经广泛分布于家庭、银行、商场、写字楼和宾馆等场所，数量庞大，为穿墙成像系统提供了丰富的信号源；利用的无线路由器产生的WiFi信号具有较宽带宽，理论上保证了成像的高分辨率；利用的无线路由器产生的WiFi信号频段符合IEEE标准，全世界通用，且该频段为免费频段，无需缴纳频段使用费；需要的硬件设备体积较小，相较传统穿墙雷达，仅需要配置参考接收天线和检测接收天线；适用于任何穿墙雷达成像方法；本发明所提出的基于WiFi信号的穿墙成像方法能够低成本高效率地实现穿墙成像，为有效快速解决室内突发事件奠定了基础。
-
公开(公告)号：CN109344916A
公开(公告)日：2019-02-15
申请号：CN201811324605.0
申请日：2018-11-08
Applicant: 北京大学
Abstract: 本发明提出了一种现场可编程深度学习的微波成像与目标识别方法。本发明提出的现场可编程深度学习的微波成像与目标识别方法将可编程超表面材料与深度学习网络相结合，实现实时数据获取与数据处理，进而实现实时微波成像及目标识别。在本发明的数据获取过程中采用FPGA控制切换不同的Metasurface编码，相比于机械切换，速度极大提高；采用固定位置的单个接收机接收数据，系统结构简单，成本较低。在本发明的数据处理过程中，采用的深度学习网络包括DeepNIS网络和CNN网络；该深度学习网络基于样本驱动，能够很好地捕捉图像特征，成像质量好，目标识别分类准确率高；该深度学习网络抗噪声能力较强；该深度学习网络一经训练完毕，即可用于实时微波成像及目标识别。
-
公开(公告)号：CN105842689B
公开(公告)日：2017-12-01
申请号：CN201610185053.4
申请日：2016-03-29
Applicant: 北京大学
IPC: G01S13/89
Abstract: 本发明公开了一种基于广义反射率模型的高分辨雷达快速成像方法。本发明扩展了现有雷达成像的波恩近似模型，在模型中加入目标的各向异性特性与目标对不同频段信号的作用效果不同的特性；该模型与实际信号模型更加接近，增强了雷达成像效果，为实现高分辨雷达成像奠定了模型基础；并提出了利用目标广义反射率的三种稀疏特性将雷达成像系统划分为子孔径或子频带进行近似计算；提出根据系统函数特性将成像区域划分为一系列子成像区域，大大加速了成像速度；进一步提出利用对偶变换将传统的雷达成像问题转化为基于物理机制的图像处理问题；本发明既保证了雷达成像精度又加快了雷达成像速度，有效解决了无法进行大尺度高分辨雷达实时成像的技术难题。
-
公开(公告)号：CN109472747A
公开(公告)日：2019-03-15
申请号：CN201811213563.3
申请日：2018-10-18
Applicant: 北京大学
IPC: G06T5/00
Abstract: 本发明提出了一种微波遥感图像去相干斑噪声的深度学习方法；本发明提出的DsCNN网络采用残差网络模块串联方式构建，相干斑噪声分级处理降低了相干斑噪声去除难度，克服了DsCNN网络过深导致训练难度增加的问题；本发明提出的DsCNN网络样本数据集源自开源软件，可以免费获取充足样本数据集，克服现有微波遥感开源图像数据集少，获取成本高的缺点；本发明提出的DsCNN网络在去除相干斑噪声同时，能够保持目标纹理特征；本发明提出的DsCNN网络基于样本驱动，降低了相干斑噪声建模难度，提高了相干斑噪声建模精度；本发明提出的DsCNN网络处理速度快，满足实时处理大尺度微波遥感图像去相干斑噪声任务的需求。
-
公开(公告)号：CN109344916B
公开(公告)日：2021-09-28
申请号：CN201811324605.0
申请日：2018-11-08
Applicant: 北京大学
Abstract: 本发明提出了一种现场可编程深度学习的微波成像与目标识别方法。本发明提出的现场可编程深度学习的微波成像与目标识别方法将可编程超表面材料与深度学习网络相结合，实现实时数据获取与数据处理，进而实现实时微波成像及目标识别。在本发明的数据获取过程中采用FPGA控制切换不同的Metasurface编码，相比于机械切换，速度极大提高；采用固定位置的单个接收机接收数据，系统结构简单，成本较低。在本发明的数据处理过程中，采用的深度学习网络包括DeepNIS网络和CNN网络；该深度学习网络基于样本驱动，能够很好地捕捉图像特征，成像质量好，目标识别分类准确率高；该深度学习网络抗噪声能力较强；该深度学习网络一经训练完毕，即可用于实时微波成像及目标识别。
-
Patent Agency Ranking
公开(公告)号：CN108471321B
公开(公告)日：2020-04-03
申请号：CN201810223187.X
申请日：2018-03-19
Applicant: 北京大学
Abstract: 本发明公开了一种构建通信数据与雷达性能参数同时同频传输的雷达‑通信一体化系统方法。本发明提出了准对偶伪码序列的构造，利用伪码‑准对偶伪码序列对将雷达性能参数加在通信数据信号上；该系统模型不增加系统时宽积，在相同频带和时间资源条件下，实现通信数据和雷达性能参数的同时同频传输；该系统模型中雷达‑通信一体化系统接收端解调系统复杂度低；本发明的雷达‑通信一体化系统可在低信噪比条件下实现低误码率传输；本发明所提出的雷达‑通信一体化系统中通信数据与雷达性能参数同时同频传输方法，具有传输效率高，解调方式简单等优点，为高效传输通信数据与雷达性能参数奠定了理论基础。
-
公开(公告)号：CN107607942B
公开(公告)日：2019-09-13
申请号：CN201710767562.2
申请日：2017-08-31
Applicant: 北京大学
Abstract: 本发明公开了一种基于深度学习模型的大尺度电磁散射与逆散射的预测方法。本发明针对电磁散射和电磁逆散射问题分别提出了两种基于物理机制的卷积神经网络；将现有卷积神经网络框架从实数域推广到复数域，并赋予其相应的物理含义；本发明的散射和逆散射的预测方法适用于常用的各种雷达系统；本发明的卷积神经网络适用于目前所有的训练算法；网络均为卷积操作，因而具有极强的适用性，适用于任意大尺度电磁场景。本发明所提出利用基于物理机制的卷积神经网络在解决电磁散射和逆散射问题时具有计算效率高，时延低等特性，为实现大尺度电磁散射和逆散射问题的实时解决奠定了基础。
-
公开(公告)号：CN108471321A
公开(公告)日：2018-08-31
申请号：CN201810223187.X
申请日：2018-03-19
Applicant: 北京大学
Abstract: 本发明公开了一种构建通信数据与雷达性能参数同时同频传输的雷达-通信一体化系统方法。本发明提出了准对偶伪码序列的构造，利用伪码-准对偶伪码序列对将雷达性能参数加在通信数据信号上；该系统模型不增加系统时宽积，在相同频带和时间资源条件下，实现通信数据和雷达性能参数的同时同频传输；该系统模型中雷达-通信一体化系统接收端解调系统复杂度低；本发明的雷达-通信一体化系统可在低信噪比条件下实现低误码率传输；本发明所提出的雷达-通信一体化系统中通信数据与雷达性能参数同时同频传输方法，具有传输效率高，解调方式简单等优点，为高效传输通信数据与雷达性能参数奠定了理论基础。
-
公开(公告)号：CN107833180A
公开(公告)日：2018-03-23
申请号：CN201711022011.X
申请日：2017-10-27
Applicant: 北京大学
Abstract: 本发明提出了利用复数域多模块串联神经网络结构，实现针对非线性电磁逆散射问题快速高精度求解；在现有神经网络框架下，将现有求解范围从实数域扩展到复数域；本发明的非线性电磁逆散射求解方法适用于常用的各种雷达系统；本发明的复数域神经网络适用于目前所有的网络训练算法；本发明的复数域神经网络适用于任意复数域电磁场景。本发明通过样本学习可以对介电常数较大目标实现超分辨成像。本发明所提出的一种利用复数域神经网络求解非线性电磁逆散射问题具有计算效率高，时延低、结构简单、泛化能力强等特性，为实现非线性电磁逆散射问题的快速、高精度求解奠定了基础。
-
公开(公告)号：CN107607942A
公开(公告)日：2018-01-19
申请号：CN201710767562.2
申请日：2017-08-31
Applicant: 北京大学
Abstract: 本发明公开了一种基于深度学习模型的大尺度电磁散射与逆散射的预测方法。本发明针对电磁散射和电磁逆散射问题分别提出了两种基于物理机制的卷积神经网络；将现有卷积神经网络框架从实数域推广到复数域，并赋予其相应的物理含义；本发明的散射和逆散射的预测方法适用于常用的各种雷达系统；本发明的卷积神经网络适用于目前所有的训练算法；网络均为卷积操作，因而具有极强的适用性，适用于任意大尺度电磁场景。本发明所提出利用基于物理机制的卷积神经网络在解决电磁散射和逆散射问题时具有计算效率高，时延低等特性，为实现大尺度电磁散射和逆散射问题的实时解决奠定了基础。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.041 seconds)
